深度嵌入式AI的设计秘诀

您应该注意人工智能 （AI） 的两个关键方面。首先，它被设计成越来越多的处于网络深处的嵌入式系统，从工业控制到汽车应用，再到消费/大众市场设备。因此，您很有可能需要了解如何使用这些与 AI 相关的组件。

第二个方面是，围绕人工智能进行设计可能是一项复杂的工作。这就是我们进来的地方。我们来这里是为了提高您这样做的生产力，并提供在人工智能领域取得成功的秘诀；我们会为您指明正确的方向，因此您成功的可能性非常高。

人工智能设计的秘诀可以像任何其他嵌入式系统一样开始——尽管选择正确的微处理器/微控制器可能应该考虑“人工智能友好”生态系统的可用性。在这种情况下，我们将从 STM32 开始。该生态系统包括STM32Cube.AI，这是 ST 工具包中的一个包，可以与深度学习库互操作，以自动转换预先训练的人工神经网络，并将这种转换映射到几乎任何 STM32 微控制器 （MCU）。

人工智能配方的下一个成分是人工智能深度学习开放软件。可以使用各种框架，最常见和流行的是 TensorFlow、Keras、Pytorch 和 Caffe。在您的框架内，您可以生成神经网络库，这要归功于 ST 在 AI 应用程序包中提供的预训练模型。

例如，使用 Keras 或 TensorFlow，您基本上可以创建一个拓扑模型来表示您的神经网络或节点网络。每个节点都可以是对具有不同复杂程度的张量的操作，从简单的数学函数向上（例如加法）到复杂的多变量非线性方程。

这些操作返回绘制在网络图上的数据。有点棘手的地方是，一个操作可以使用和生成超过二维的数据，称为张量。这个对话有点深入，超出了本文的范围，但有一些很好的参考资料可供参考。

然后这种转换由一个工具执行，该工具可以生成一个库，该库生成可以集成到项目中的代码；STM32Cube.AI 及其输出库可以在任何 STM32 MCU 上运行。为了进一步简化其客户的集成，ST 在单独的功能包中生成了一些端到端应用示例，用于运动、音频和图像分析。

既然您已经拥有了重叠的硬件和软件，下一步将是使用您新生的嵌入式系统或从其他来源获取一些测试数据。测试数据使用 Keras 或 TensorFlow Lite 等工具训练神经网络。正如您所期望的那样，这是一个持续的迭代过程，因此模型会不断完善、更新和改进，直到您达到所需的准确度水平。该训练过程生成的模型可以由 STM32Cube.AI 工具自动转换为 STM32 MCU 的优化运行时库。

STM32L476系列 MCU为 AI 配方提供了主要成分。

准备好开始您的 AI 设计了吗？如果是这样，您可以根据您的应用使用各种 MCU 中的任何一种。ST发布了许多视频，展示了其 MCU 的一系列应用。虽然您的性能要求可能不同并导致选择不同的 MCU，但您可以在高性能 STM32H7 上进行对象分类，或在 80 MHz STM32L476JGY或类似微控制器上进行可穿戴/健康应用。

最重要的是，人工智能很可能会出现在你的未来，如果它还没有出现在你的现在。因此，如果您还不熟悉如何将其整合到您的设计中，那么是时候学习了。一个重要提示：人工智能生态系统正在迅速发展，因此明智的做法是选择路线图显示他们对变化速度的理解并且其投资表明他们愿意跟上步伐的供应商。

审核编辑：郭婷